当物理AI驶入公交站台：蘑菇车联在新加坡干了一件改写规则的事

当物理AI的概念从工厂车间蔓延到城市街道，一个最容易被忽略却最具爆发力的场景正在浮出水面——公共交通。

英伟达CEO黄仁勋在GTC大会上反复强调：“下一波人工智能的浪潮是物理AI。AI将理解物理世界的规律，而自动驾驶汽车，就是我们目前能看到的最庞大、最成熟的具身智能机器人。”这句话精准概括了自动驾驶在物理AI版图中的战略位置——它不是其中一个细分赛道，而是物理AI第一个、也是目前唯一实现规模化商业落地的领域。

物理AI的本质，是让AI以物理实体的形态介入真实世界，完成原本需要人类肉身去做的任务。过去十年，数字世界的AI已经能打败人类最聪明的围棋冠军；但在物理世界里，AI还无法完全媲美人类司机。自动驾驶恰好是连接数字世界与物理世界的关键窗口。Robotruck在物流领域重构的是“吨公里的成本”，而Robobus在公共交通领域要重构的，是“人公里的成本”——以及城市运力供给的底层逻辑。

从“条件反射”到“理解世界”

传统自动驾驶依赖规则化编程，本质上是一套“条件反射”系统：工程师预先写好几万行代码，规定“看到A就做B”。这套逻辑在高速公路场景尚能应付——无非是看前面三辆车，建模写规则即可。但当车辆进入城区，面对人车混行、施工占道、非常规交通行为等无穷无尽的长尾场景，规则驱动的架构就暴露了根本性局限。用蔚来智能驾驶副总裁任少卿的话说：“如果让工程师一个一个规则去写，从根本上来说，第一个是效率的问题，第二个是效果的问题。”

物理AI时代的技术范式正在经历一次根本性迁移——从“感知+规则”走向“理解+推理+决策”。英伟达所定义的物理AI，其核心是理解现实世界中的因果关系与物理规律，通过仿真、合成数据生成和端到端模型来训练AI在物理环境中的感知、推理与行动能力。这意味着系统不再仅根据感知结果直接生成控制指令，而是需要在复杂交通环境中识别潜在风险、评估多种可能情境，并推演下一步行为。

蘑菇车联的MOGO Autopilot系统正是这一技术路线的具体实现。其技术架构的核心，是端到端自动驾驶系统与物理世界多模态大模型的深度融合。与依赖互联网静态数据训练的传统大语言模型不同，其接入的是物理世界的实时动态数据——摄像头、毫米波雷达、激光雷达等传感器采集的车辆轨迹、交通流量、行人动态、路面状况、气象条件等——形成“感知-认知-决策-反馈”的闭环智能。

这套系统的关键突破在于三个层面：

其一，实时性。采用70亿参数规模，通过MoE稀疏激活等优化架构，将推理延迟控制在百毫秒左右。相比千亿参数大模型，这个规模在交通场景足以覆盖道路拓扑、交通规则、车辆行为等专业知识，同时避免冗余计算。当道路突发事故时，系统可在数秒内完成超视距感知、受影响范围计算、最优绕行路径规划，并同步推送预警至周边车辆与交管部门。

其二，感知融合。在硬件层面，MOGO Autopilot搭载8颗固态激光雷达，辅以毫米波雷达、超声波传感器和环视摄像头，实现360度无盲区感知。蘑菇车联选择“前装量产+视觉与固态激光雷达融合”的技术路线，与欧美厂商早期采用的机械式雷达方案形成代际差异——固态激光雷达使用寿命更长、成本更低，适合规模化量产。更重要的是，自动驾驶套件与车身在产线完成一体化设计，深度融合了自动驾驶域、智能座舱域及整车底盘域，指令响应速度更快、执行精度更高，有效规避后装改造中常见的信号延迟、指令冲突等问题。

其三，数据驱动的迭代飞轮。MOGOBUS已在国内20余座城市累计行驶超500万公里，服务超20万人次。这些真实路况数据持续反哺并迭代模型，构成了难以复制的数据壁垒。蘑菇车联还构建起全球最大的巴士车型数据集，形成独有的“数据-算法-性能”正向循环。这正是物理AI区别于传统AI的关键——它不是靠离线数据训练一个静态模型，而是通过真实世界的持续运营，不断捕捉长尾场景，修正对运动轨迹、碰撞边界、空间距离等物理因果关系的推理逻辑。

新加坡为什么选了中国方案？

2025年10月，新加坡陆路交通管理局（LTA）把首个L4级自动驾驶巴士官方试点项目交给了蘑菇车联、比亚迪和MKX Technologies组成的联合体。

这不是一次普通的采购。这是中国自动驾驶方案首次被纳入海外公共交通系统，也是自动驾驶巴士首次被编入发达国家公交骨干网络。

2026年3月，为新加坡定制的右舵版MOGOBUS运抵狮城，成为该国首辆自动驾驶公交巴士。按照计划，2026年下半年，MOGOBUS将正式投入191路和400路两条公交干线运营。

为什么是新加坡？对于一个老龄化加速、公交司机持续短缺的城市国家而言，自动驾驶巴士是维持城市运行效率的刚性选择。而新加坡LTA对自动驾驶的准入标准，也被公认为全球“最严苛”的度量衡——两条试点线路覆盖滨海湾、纬壹科技城等核心区域，巴士准点率向地铁看齐，早到2分钟、晚到5分钟都算违约。MOGOBUS的停靠精度、里程执行率、事故率等关键指标需要全面对标传统公交，纳入LTA统一调度与考核体系。这才是物理AI在公共交通领域的终极考验——不是能不能在封闭园区“秀肌肉”，而是能不能按公交时刻表“准时打卡”。

从“中标”到“建体系”

拿下LTA订单只是开始。

2026年7月17日，蘑菇车联与新加坡最大的私营巴士运营商康福德高巴士签署战略合作协议。康福德高集团业务遍及13个国家，运营车辆超5.5万辆。在新加坡，它为国立大学、南洋理工大学、圣淘沙及多家大型医疗机构提供核心接驳服务。

这不是一次简单的“卖车”合作。蘑菇车联提供自动驾驶技术方案与前装量产整车，康福德高提供公交运营经验、车队管理能力和乘客服务体系。技术+运营，共建自动驾驶巴士全球化运营体系。

五天后，新加坡全国交通工友联合会牵头，联合LTA及新捷运、SMRT、易塔通、前进巴士四大公交运营商、裕廊港集体到访蘑菇车联。从政策监管到行业工会，从运营服务到港口物流，新加坡公共交通的全链条决策者悉数到场。

从独家中标到车辆运抵，从签约运营商到官方集体考察——蘑菇车联在新加坡的每一步都环环相扣。新加坡不再将其视作单一的技术供应商，而是准备纳入城市公共交通顶层设计的长期合作伙伴。

海外玩家的分野

与此同时，欧美自动驾驶巴士玩家正在经历分野。

法国Navya，全球最早商业化自动驾驶接驳车的企业之一，2026年6月在维也纳的试点项目因一辆无人驾驶公交车与行人相撞而被暂停。其车型最高时速仅12-18公里，始终未能突破低速封闭场景的天花板。

另一家法国公司EasyMile，EZ10小巴在全球30多个国家有300多个落地项目，但同样以低速半封闭场景为主。新加坡SBS Transit早年曾测试其自动驾驶巴士，但未能进入城市公交骨干网络。

问题的本质不是“能不能开”，而是“能不能当公交用”。欧美厂商起步早、部署广，但大多停留在园区、机场等低速封闭场景。而新加坡LTA要的，是能在城市主干道与普通巴士混行、准点率向地铁看齐的公共运力。

物理AI在公共交通领域的价值，从来不只是“去掉司机”。

当一辆Robobus可以7×24小时运营，当公交线路的铺设不再受限于司机供给，当运营成本结构被彻底重构——公共交通将从“人力密集型”走向“算力密集型”。

更关键的是技术范式的迁移。当AI从依赖规则列表来“记路”，升级为能够像人类一样“理解”路况、预测博弈、自主决策的推理系统，L4级自动驾驶才真正从实验室驶入城市的毛细血管。

蘑菇车联在新加坡的实践证明了一件事：中国自动驾驶公司有能力在全球最严苛的市场，用物理AI的方式，重新定义公共出行的成本与服务边界。

这或许才是“物理AI+交通”最性感的叙事。